本发明属于泥浆处理技术，具体涉及一种基于智能算法的自动化泥浆处理系统及方法。
背景技术：
1、泥浆处理技术在建筑施工等基础工程领域中扮演着至关重要的角色。它不仅是确保工程项目能够顺利进行的关键因素，而且对环境保护和资源节约也有着深远的影响。传统的泥浆处理系统往往因缺乏实时监测、智能控制以及资源优化的能力，而频繁遇到处理效果波动大、能耗消耗高和废弃物产生量大的挑战。这些问题不仅降低了工作效率，还增加了运营成本，并对环境造成了污染。
2、专利申请号为cn202211234479.6的一种基于智能感知技术的泥浆处理系统及其处理方法，通过泥浆状态监测模块获取泥浆物理性质参数；中央处理器与加药控制模块根据所测泥浆物理性质参数协同完成絮凝药剂制备与添加；絮凝状态监测模块实时感知泥浆絮凝状态并向中央处理器反馈数据，中央处理器将泥浆絮凝状态数据进行计算分析并于与用户输入限值进行对比，进而动态调整絮凝药剂混合比例和添加剂量，实现泥浆絮凝药剂精细化添加；用户端可以实时显示泥浆处理系统运行数据保证泥浆脱水过程高效、可控和稳定的进行。上述装置无法实现自动调控，同样需要人为干预。因此，亟待本领域技术人员解决上述技术问题。
技术实现思路
1、本发明所要解决的技术问题是目前的泥浆处理系统普遍面临实时监测不全面、智能控制能力不足以及资源优化能力有限的问题。这些问题导致了处理效果的不稳定性、高能耗和废弃物的大量产生，严重阻碍了工程进度和环保目标的达成。
2、为了解决上述技术问题，本发明采用的技术方案是：
3、一种基于智能算法的自动化泥浆处理系统及方法，包括以下步骤：
4、s1：建立包括远程监控模块、中心控制模块和数据分析预测模块的泥浆处理模型；
5、s2：通过远程监控模块对泥浆处理装置内的泥浆状态参数和装置状态参数进行监测，并将数据传输至中心控制模块；
6、s3：中心控制模块对传输来的数据进行数据清洗，处理缺失值和异常值，再通过归一化将远程监控模块传输来的数据进行预处理；
7、s4：中心控制模块将预处理之后的泥浆状态参数和装置状态参数转化为json格式，传输至数据分析预测模块；
8、s5：通过数据分析预测模块中的卷积神经网络对泥浆参数进行预测分析；
9、s6：数据分析预测模块将预测分析结果传输至中心控制模块，中心控制模块调节装置各部件的运行参数调节泥浆状态参数。
10、进一步地，在步骤s2中，所述远程监控模块包括泥浆比重计和无线传感器，所述泥浆比重计将测得的数据传输至所述中心控制模块，所述无线传感器将泥浆处理装置的运行参数传输至所述中心控制模块。
11、泥浆比重计可以即时测量泥浆的密度，这对于维持钻井泥浆的平衡至关重要，因为密度直接关系到能否有效控制地层压力，防止井喷或井漏，无线传感器可以实时监测泥浆处理装置的各种运行参数，如温度、压力、流量、振动等，使操作者能够迅速识别出任何偏离正常范围的情况，从而及时作出调整，自动化的数据采集减少了对人工检查的依赖，降低了人力成本，同时也避免了人为误差，提高了数据的准确性和一致性，无线传感器可以部署在难以到达或危险的位置，收集那些人工难以获取的数据，从而提供更全面的信息，无线传输使得监控中心无需位于现场即可接收数据，支持远程操作和监控，尤其是在恶劣或偏远的工作环境中，实时监控有助于早期发现潜在的安全隐患，比如设备过热、泄漏或机械故障，从而能够及时采取措施，避免事故的发生，持续的数据流有助于实施预测性维护，通过分析数据模式，可以预测设备何时需要维护，从而减少非计划停机时间，延长设备寿命，数据的实时性和准确性为后续的数据分析预测模块提供了高质量的输入，使得基于数据的决策更加可靠，能够更好地优化泥浆处理过程。
12、进一步地，在步骤s3中，所述中心模块对数据进行预处理时，包括以下步骤：
13、s31：数据清洗处理缺失值和异常值；
14、s32：通过归一化将数据转换为相同维度；
15、在步骤s31中，删除含有缺失值的数据记录，利用回归预测方法填充缺失值，使用时间序列插值方法填补缺失值；
16、使用箱线图或散点图来识别数据中的异常值，根据数据分布设置阈值，超出阈值的值被视为异常值，使用其他变量预测异常值，替换原始异常值；
17、在步骤s32中，将每个特征的值缩放到[0,1]之间，具体如下：
18、
19、其中，xnorm是归一化后的值，xmin和xmax分别是该特征的最小值和最大值。
20、如果数据集很大，且缺失值占比较小，删除含有缺失值的记录可以避免引入偏差，但可能会导致信息损失，适用于缺失值较多或关键特征有缺失的情况。通过构建回归模型，用其他完整特征预测缺失值，这种方法可以保留更多信息，但预测精度受模型质量影响，对于时间序列数据特别有效，如线性插值、样条插值等，能保持数据的时间连续性，适合处理短期缺失，使用箱线图或散点图识别异常值：直观地展示数据分布，易于发现离群点，根据数据分布设定合理阈值，将异常值替换为预测值或邻近值，避免异常值对模型训练的负面影响。通过公式保证所有特征在同一尺度下，避免某些特征因量纲或量级差异而主导模型，归一化后的数据梯度更平滑，有助于优化算法更快找到最优解，减小数值计算中的误差累积，特别是在使用梯度下降法时，避免大数值引起的溢出或下溢问题。
21、进一步地，在步骤s4中，通过所述中心控制模块中的计算机程序将预处理之后的数据转化为json格式，具体包括以下步骤：
22、s41：利用json转换工具将经过预处理的数据转换为json格式；
23、s42：转换完成后的json数据进行的格式化和解析，将文本数据转换为易于阅读的格式；
24、s43：将转换好的json数据存储在数据库中。
25、json是一种轻量级的数据交换格式，易于人阅读和编写，同时也易于机器解析和生成，使用json格式可以确保数据在不同的系统和平台之间传递时的一致性和可读性，提高数据的标准化水平，json数据结构清晰，类似于字典和列表，这使得在各种编程语言中解析和处理变得简单，有利于数据的进一步分析和应用，相比xml等其他数据交换格式，json通常占用更少的带宽，因此在数据传输时可以更快，减少网络延迟，这对于实时监控和控制应用尤其重要，将json数据存储在数据库中，可以利用数据库的索引和查询功能，快速定位和提取所需数据，支持高效的数据管理和分析，许多现代web api都选择json作为数据交换格式，将数据转换为json格式有助于与其他系统和服务进行集成，促进微服务架构的构建和api经济的发展，json格式的数据易于被各种数据可视化工具解析，可以快速生成图表、仪表盘和报告，帮助用户直观理解数据含义和趋势，在数据传输和存储过程中，可以对json数据进行加密，以保护敏感信息免受未经授权的访问。
26、进一步地，在步骤s41中，采用jsonlint将预处理数据在线转化为json格式。
27、jsonlint能够检查json数据的语法正确性，确保没有语法错误，如括号不匹配、逗号错误等，这是数据转换成功的基础，jsonlint可以将原始的、可能难以阅读的json字符串格式化成有缩进、换行的结构，使其更易于人类阅读和理解，如果json数据存在错误，jsonlint会指出具体的错误位置和类型，方便开发者快速定位并修正问题，对于在线操作，jsonlint提供了即时的反馈，无需编译或运行额外的代码即可查看转换结果和任何潜在问题，由于是在线工具，jsonlint不需要安装特定的软件或依赖项，只要能上网就可以使用，适用于多种操作系统和设备。
28、进一步地，在步骤s5中，使用卷积神经网络对泥浆参数进行预测分析，所述卷积神经网络包括5个卷积层和2个融合层，将监测数据经过3个连续的卷积层进行初步处理，然后经过第一个融合层进行融合操作，再经过2次卷积层和1次融合层的处理，最后得到输出结果。
29、卷积层能够捕捉输入数据中的局部特征，这对于分析泥浆参数的时间序列或空间分布模式非常重要。此外，卷积操作具有平移不变性，这意味着它能检测到模式，而不受其在输入中的位置的影响，多个卷积层可以逐层提取越来越抽象的特征，第一层可能检测基本的模式，如边缘或纹理，而更深层则能捕捉更复杂的组合特征，这对于预测泥浆处理过程中的复杂行为尤为关键，卷积神经网络中的滤波器在整个输入上共享权重，这大大减少了需要学习的参数数量，降低了过拟合的风险。同时，这种结构仅考虑输入中的局部区域，减少了特征之间的冗余，提高了模型的效率，激活函数(如relu)在卷积层之后应用，为网络提供了强大的非线性映射能力，这对于处理泥浆处理中非线性关系和复杂动态过程至关重要，融合层(或称为密集层、全连接层)能够整合来自不同卷积层的特征，形成一个全局表示，这对于从多角度理解泥浆状态和预测未来趋势非常有帮助，深度网络结构允许模型学习到非常复杂的表征，这在处理具有高度变异性和不确定性的泥浆处理数据时，能够提供更准确的预测，cnn能够自动学习哪些特征对于预测泥浆参数的变化最为重要，这减少了手动特征工程的需要，提高了模型的自适应性和鲁棒性。
30、进一步地，数据分析预测模块还包括优化模块，所述优化模块包括隐藏特征训练和识别训练；
31、对于隐藏特征训练，在预训练模型中选择共同的中间特征，通过四元组损失函数对模型进行训练，下列公式为四元组损失函数：
32、
33、其中且vi，i＝1,2...m为从固定的预训练模型中提取第i个隐藏特征，d(a,b)是a和b之间的x1距离，ωi是权重系数，gt是正样本图像，t1为相应的低密度泥浆，t2为相应的高密度泥浆，f＝(i)为输出密度特征；
34、对于识别训练，通过引入梯度损失函数对模型进行训练：
35、引入梯度损失函数，使密度锚点在特征空间上与正样本距离拉近，且与简单负样本距离拉远，在此距离上与复杂负样本的距离更远，比较不同样本之间的相似性和差异性，使得模型更好地理解和处理各种不同密度的监测数据；
36、梯度损失函数：
37、
38、其中，f表示网络的输出，i表示输入数据，gt表示标准密度，表示梯度操作；
39、再通过联合函数计算损失值，并通过反向传播更新模型的参数；联合损失函数：l＝min||gt-t(i)||+α*x1+β*x2
40、其中，α和β是权重参数，t表示网络的输出，i表示输入数据，gt表示标准密度。
41、此外，本发明还包括一种基于智能算法的自动化泥浆处理系统，数据处理器、中央控制器、计算机存储器以及上述基于智能算法的自动化泥浆处理方法作为系统运行逻辑，包括远程监控模块、中心控制模块和数据分析预测模块，所述远程监控模块用于监测泥浆处理装置中的泥浆密度和泥浆处理装置运行参数，所述中心控制模块用于将数据转换为模型刻度的josn格式数据，并根据所述数据分析预测模块对泥浆处理装置运行参数进行调控，所述数据分析预测模块用于分析监测数据变化趋势提前通过所述中心控制模块调控泥浆处理装置的运行参数，所述数据分析预测模块还包括优化模块，所述优化模块用于根据隐藏特征强化模型识别能力。
42、本发明的有益效果为：
43、1.本发明通过远程监控模块、中心控制模块和数据分析预测模块实现了对泥浆处理过程的实时、全面监测，通过远程监控模块采集泥浆状态和装置运行参数，确保了数据的实时性和准确性，中心控制模块能够自动处理数据，包括数据清洗、缺失值处理、异常值检测以及数据归一化，提高了数据质量和后续分析的可靠性，数据分析预测模块通过卷积神经网络等智能算法，对泥浆参数进行预测分析，实现了对处理过程的智能控制，能够提前预测并调节泥浆状态，避免了人工干预的滞后性和不确定性；
44、2.自动化的数据处理和调控机制减少了人为操作的需求，降低了错误率，提升了处理效率和精度，闭环控制机制通过实时监测与预测，自动调整控制策略，确保了泥浆处理过程的优化和稳定，减少了资源浪费和能耗，通过智能算法优化泥浆处理过程，能够减少化学品的使用量，节约能源，降低运营成本，预测性维护功能减少了非计划停机时间，延长了设备寿命，进一步节约了维护成本；
45、3.实时监测有助于早期发现潜在的安全隐患，如设备过热、泄漏或机械故障，能够及时采取措施，避免事故发生，数据的实时性和准确性为决策支持提供了坚实基础，有助于预防操作风险，提升作业安全性。
1.一种基于智能算法的自动化泥浆处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于智能算法的自动化泥浆处理方法，其特征在于，在步骤s2中，所述远程监控模块包括泥浆比重计和无线传感器，所述泥浆比重计将测得的数据传输至所述中心控制模块，所述无线传感器将泥浆处理装置的运行参数传输至所述中心控制模块。
3.根据权利要求1所述的基于智能算法的自动化泥浆处理方法，其特征在于，在步骤s3中，所述中心模块对数据进行预处理时，包括以下步骤：
4.根据权利要求1所述的基于智能算法的自动化泥浆处理方法，其特征在于，在步骤s4中，通过所述中心控制模块中的计算机程序将预处理之后的数据转化为json格式，具体包括以下步骤：
5.根据权利要求4所述的基于智能算法的自动化泥浆处理方法，其特征在于，在步骤s41中，采用jsonlint将预处理数据在线转化为json格式。
6.根据权利要求1所述的基于智能算法的自动化泥浆处理方法，其特征在于，在步骤s5中，使用卷积神经网络对泥浆参数进行预测分析，所述卷积神经网络包括5个卷积层和2个融合层，将监测数据经过3个连续的卷积层进行初步处理，然后经过第一个融合层进行融合操作，再经过2次卷积层和1次融合层的处理，最后得到输出结果。
7.根据权利要求6所述的一种矿井尘雾环境下自适应图像去雾增强方法，其特征在于，数据分析预测模块还包括优化模块，所述优化模块包括隐藏特征训练和识别训练；
8.一种基于智能算法的自动化泥浆处理系统，数据处理器、中央控制器、计算机存储器以及权利要求1-7任意一项所述的基于智能算法的自动化泥浆处理方法，其特征在于，包括远程监控模块、中心控制模块和数据分析预测模块，所述远程监控模块用于监测泥浆处理装置中的泥浆密度和泥浆处理装置运行参数，所述中心控制模块用于将数据转换为模型刻度的josn格式数据，并根据所述数据分析预测模块对泥浆处理装置运行参数进行调控，所述数据分析预测模块用于分析监测数据变化趋势提前通过所述中心控制模块调控泥浆处理装置的运行参数，所述数据分析预测模块还包括优化模块，所述优化模块用于根据隐藏特征强化模型识别能力。
